Questo articolo è una traduzione assistita dall’AI dell’originale in inglese, revisionata dall’autore.
Per anni, una delle promesse più ripetute nel MarTech è stata l’autonomia del business.
L’idea era semplice e attraente: dare ai marketer la piattaforma, dare loro il canvas, dare loro il segmentation builder, dare loro l’editor drag-and-drop, e finalmente dare loro la possibilità di lanciare campagne senza dover aspettare costantemente IT, team data o agenzie esterne.
Per molti versi, quella promessa era reale.
I team marketing sono diventati più veloci. I campaign manager potevano costruire journey senza aprire un ticket. Gli specialisti CRM possono definire audience senza scrivere SQL. I team lifecycle possono testare subject line, modificare timing, duplicare flussi e passare dall’idea all’esecuzione con molta più facilità.
Ma dopo anni di lavoro con queste piattaforme, penso che la realtà sia più complessa.
L’autonomia del business non è mai stata solo una questione di dare al business una user interface migliore.
In pratica, l’autonomia del business dipende molto più da architettura, governance e modello operativo che da quanto amichevole appare l’interfaccia.
E ora che l’AI agentiva sta entrando nello stack marketing, la stessa domanda ritorna con maggiore intensità: gli agenti AI renderanno davvero più accessibili le capacità delle piattaforme più potenti, o sposteranno semplicemente la complessità dall’interfaccia al modello operativo?
La vecchia promessa di autonomia
La prima generazione di piattaforme di marketing automation e customer engagement ha promesso autonomia soprattutto attraverso l’astrazione.
Un journey canvas sostituiva lo sviluppo custom di workflow. Una UI di segmentazione sostituiva le query dirette al database. Un editor di contenuti sostituiva le richieste di template statici. Uno scheduler di campagne sostituiva il coordinamento manuale. Una dashboard sostituiva i report esportati.
È stato un cambiamento importante.
Ha anche creato un fraintendimento.
Molte aziende hanno iniziato a credere che, se una piattaforma sembrava facile da usare, anche il modello operativo intorno a quella piattaforma sarebbe diventato facile. In realtà, questo non succede quasi mai.
Un canvas visuale può rendere l’orchestrazione più accessibile, ma non risolve la definizione delle audience. Un editor drag-and-drop può semplificare la creazione dei contenuti, ma non risolve la governance del brand. Uno strumento di segmentazione no-code può dare più potere ai marketer, ma non risolve la qualità dei dati. Un flusso di approvazione delle campagne può ridurre alcuni rischi operativi, ma non risolve la mancanza di ownership chiara. Un motore di raccomandazione può personalizzare le esperienze, ma non risolve consenso, eligibility o misurazione.
La user interface può rendere più fludio il processo, ma non può rimuovere complessità dal sistema.
Autonomia senza architettura diventa fragilità
Quando ai team business vengono dati strumenti potenti senza fondamenta solide, l’autonomia può trasformarsi rapidamente in frammentazione.
Più persone possono creare segmenti, ma nessuno sa quale sia il segmento canonico. Più journey possono essere lanciati, ma nessuno ha una visione completa della pressione sul cliente. Più test possono essere attivati, ma la logica di misurazione diventa incoerente. Più varianti di contenuto possono essere generate, ma riuso e governance scompaiono. Più campagne possono andare live, ma nessuno è pienamente sicuro di quali dati, regole di consenso o esclusioni siano stati applicati.
Il risultato non è sempre caos visibile.
A volte è qualcosa di più sottile, e per molti versi più pericoloso: lentezza.
Non la vecchia lentezza dell’attesa che l’IT implementi una richiesta, ma una nuova forma di lentezza. La lentezza del controllo. La lentezza del chiedere chi possiede una regola. La lentezza del validare se un segmento è corretto. La lentezza del capire quale journey prevale quando due journey si sovrappongono. La lentezza dello spiegare perché un cliente ha ricevuto un messaggio. La lentezza del ricostruire fiducia dopo un errore visibile.
Per questo l’autonomia del business non può essere ridotta alla domanda se il marketer possa cliccare il pulsante.
La vera domanda è se il marketer possa agire in sicurezza senza creare ambiguità a valle.
Arriva il livello agentivo
Ora sta arrivando una nuova promessa.
Gli agenti AI aiuteranno i marketer ad accedere a capacità di piattaforma complesse senza dover comprendere ogni dettaglio di configurazione.
Invece di costruire manualmente un segmento, un marketer descriverà l’audience in linguaggio naturale. Invece di progettare un journey passo dopo passo, chiederà al sistema di proporne uno. Invece di analizzare manualmente le performance, un agente rileverà anomalie o opportunità. Invece di scrivere ogni variante di contenuto, gli strumenti generativi le creeranno. Invece di configurare ogni esperimento, la piattaforma suggerirà cosa testare dopo.
Non è più fantascienza.
In tutto lo stack MarTech, le capacità agentive stanno passando dal linguaggio di roadmap alla funzionalità di prodotto.
Adobe sta spingendo l’AI più in profondità nelle capacità di Journey Optimizer, come decisioning, journey expressions assistite dall’AI, ottimizzazione di regole e formule di ranking, simulazione dei journey e monitoraggio dei modelli. Iterable descrive Nova Agents come agenti AI guidati da obiettivi che trasformano comportamento dei clienti e intenzione marketing in azione. Klaviyo presenta gli agenti marketing come sistemi capaci di trasformare un prompt, un obiettivo, un brief o un’idea in linguaggio naturale in campagne o flussi completi da rivedere e approvare. Salesforce descrive Agentforce in Marketing Cloud Next come un modo per abbozzare, rifinire e generare campagne marketing multicanale e conversazionali.
A prima vista, questa dovrebbe essere la risposta perfetta al problema dell’autonomia del business.
Se le piattaforme sono potenti ma difficili, gli agenti dovrebbero renderle più semplici. Se i marketer non sanno dove una funzionalità è nascosta, possono chiederlo. Se non sanno come configurare un journey, l’agente può proporlo. Se non sanno come leggere la performance, l’agente può sintetizzarla. Se non sanno quale audience targettizzare, l’agente può suggerirne una.
Ma è esattamente qui che, secondo me, dobbiamo stare attenti.
Il livello agentivo non rimuove la complessità.
Cambia il punto in cui la complessità appare.
Dalla complessità dell’interfaccia alla complessità della decisione
La complessità tradizionale del MarTech era spesso visibile.
Dovevi sapere dove cliccare, comprendere il data model, configurare il journey, selezionare l’audience giusta, definire la regola e costruire il test.
La difficoltà stava nell’interfaccia e nella configurazione.
L’AI agentiva può ridurre questa frizione in modo significativo, ma introduce un altro tipo di complessità: la complessità della decisione. Con questo intendo lo sforzo necessario perché le persone comprendano, mettano in discussione e si fidino delle decisioni che un sistema prende per loro conto.
Che cosa ha capito esattamente l’agente? Quali dati ha usato? Quali assunzioni ha fatto? Quale regola di business ha privilegiato? Quali esclusioni ha applicato? Quale logica di consenso ha rispettato? Per quale obiettivo ha ottimizzato? Quale trade-off ha fatto in silenzio?
In altre parole, il marketer potrebbe non dover più conoscere ogni passaggio necessario per costruire un’attivazione, ma qualcuno deve ancora capire se quell’attivazione ha senso.
E questo potrebbe diventare più difficile, non più facile.
Un journey configurato male è visibile, se sai dove guardare.
Una raccomandazione agentiva ragionata male può apparire perfettamente rifinita.
Questo è il nuovo rischio.
Un esempio semplice
Immaginiamo che un lifecycle marketer chieda a un agente:
Crea un journey di riattivazione per clienti ad alto valore con alta probabilità di churn.
La richiesta sembra chiara.
Ma sotto la superficie, il sistema deve rispondere a diverse domande prima di poter agire in modo responsabile.
Che cos’è un cliente ad alto valore? Il valore è basato su ricavi, margine, frequenza, predicted lifetime value o segmento strategico? Che cosa significa “alta probabilità di churn”? Quale modello ha prodotto quel punteggio, quanto è fresco, ed è valido per questo mercato?
Quale profilo cliente è autorevole? Identità anonime e note sono riconciliate? Quale stato di consenso deve essere applicato? Quali canali sono eleggibili? Quali prodotti o offerte devono essere esclusi?
Cosa succede se lo stesso cliente è già in un journey di onboarding, win-back o gestione reclami? Qual è la logica di misurazione? Che cosa significa successo: conversione, retention, margine, engagement o riduzione del rischio?
Anche un journey “semplice” nasconde decisioni su:
- Chi dovrebbe essere eleggibile e quando.
- Quali combinazioni di canali e contenuti sono accettabili.
- Quanta pressione e quanto rischio il business è disposto a tollerare.
Se queste domande sono già codificate nell’architettura, l’agente può diventare utile molto rapidamente.
Può tradurre l’intento in una proposta di audience, journey, set di contenuti, esperimento e piano di misurazione. Può spiegare cosa ha usato, cosa ha escluso, cosa richiede approvazione e dove la confidenza è bassa.
Ma se queste domande non hanno risposta nel sistema, l’agente ha solo due opzioni.
Può chiedere chiarimenti, rallentando il processo.
Oppure può fare assunzioni.
E le assunzioni sono il punto in cui l’autonomia del business diventa pericolosa.
Il customer engagement è complessità di coordinamento
Nel customer engagement, la complessità è raramente isolata.
Una decisione di campagna è anche una decisione di audience, una decisione di consenso, una decisione di canale, una decisione di pressione, una decisione di misurazione e a volte una decisione di priorità commerciale.
Lo si vede ogni giorno nei conflitti tra canali, nelle dispute sull’attribuzione last-touch e nella ownership poco chiara su chi possa contattare chi, e quando.
L’agente può aiutare con uno di questi livelli, ma il cliente vive la combinazione.
Per questo il marketing agentivo non può essere valutato solo al livello dell’automazione di singoli task. Il vero test non è se un agente può creare un journey, generare contenuti o suggerire un segmento. Il vero test è se può operare dentro un sistema in cui journey, audience, canali, regole di eligibility e priorità di business sono già coordinati.
Altrimenti, l’agente può semplicemente rendere più veloce l’esecuzione isolata e allo stesso tempo rendere più difficile il coordinamento sistemico.
Il prompting non è un modello operativo
Per questo non penso che il futuro dell’autonomia del business sia semplicemente che i marketer faranno prompt alla piattaforma.
È troppo semplicistico.
Il prompting non è un modello operativo.
Un prompt può esprimere intenzione, ma la piattaforma ha comunque bisogno di un ambiente controllato in cui quell’intenzione possa essere eseguita. I team non gestiscono accountability, consenso e pressione con i prompt; li gestiscono con processi, permessi e definizioni condivise.
Perché l’autonomia agentiva sia utile, il sistema ha bisogno di definizioni riutilizzabili, regole approvate, accesso ai dati governato, permessi chiari, raccomandazioni spiegabili e decisioni auditabili. Altrimenti, gli agenti rischiano di diventare solo un altro livello da controllare, correggere, approvare e discutere.
La promessa è velocità; il rischio è un nuovo collo di bottiglia di revisione.
Prima, i team rivedevano le campagne perché gli esseri umani commettevano errori di configurazione. Domani, i team potrebbero rivedere raccomandazioni agentive perché nessuno comprende pienamente le assunzioni dietro di esse.
Questa non è autonomia.
È incertezza assistita.
La vera autonomia è libertà controllata
Penso che nel MarTech serva una definizione migliore di autonomia del business.
Autonomia del business non dovrebbe significare che il business può fare qualsiasi cosa da solo. Non è realistico, e negli ambienti enterprise non è nemmeno desiderabile.
Autonomia del business dovrebbe significare che i team business possono agire in sicurezza dentro un sistema ben progettato.
In sicurezza significa che possono usare dati affidabili senza doverne ricostruire il significato ogni volta. Significa che possono attivare audience sapendo che le regole di consenso ed eligibility sono applicate. Significa che possono lanciare journey sapendo che regole di pressione e priorità sono rispettate. Significa che possono generare contenuti sapendo che vincoli di brand, legali e di localizzazione sono incorporati. Significa che possono testare idee sapendo che la misurazione è coerente. Significa che possono usare raccomandazioni AI sapendo che la logica è abbastanza spiegabile da essere affidabile.
Soprattutto, significa che possono muoversi velocemente perché il sistema ha già assorbito parte della complessità.
È molto diverso da “la UI è facile”.
È più vicino a una libertà controllata.
E la libertà controllata richiede architettura.
La piattaforma non basta
Questo è anche il motivo per cui sono scettico quando l’autonomia del business viene venduta come una feature di vendor.
Naturalmente, le capacità di piattaforma contano. Alcuni strumenti sono chiaramente più facili da usare di altri. Alcune piattaforme espongono meglio i dati. Alcune hanno un’assistenza AI più forte. Alcune offrono governance, permessi, template, workflow di approvazione, controlli di sperimentazione o gestione dei journey migliori. Queste differenze sono reali, e contano in qualsiasi valutazione seria.
Ma nessuna piattaforma può compensare un’organizzazione che non ha deciso chi possiede le definizioni cliente, dove viene gestito il consenso, come viene risolta la priorità delle campagne o cosa significhi davvero “buona performance”.
Se la logica di consenso è frammentata tra sistemi, la piattaforma erediterà l’ambiguità. Se i dati prodotto sono incoerenti, la personalizzazione resterà fragile. Se le priorità di campagna sono politiche invece che esplicite, il journey canvas rifletterà quella confusione. Se la misurazione non è allineata, l’ottimizzazione AI potrebbe semplicemente ottimizzare più velocemente la cosa sbagliata.
La piattaforma può applicare logica, ma non può inventare chiarezza organizzativa.
L’architettura vince sempre.
Non perché la tecnologia non sia importante, ma perché la tecnologia può solo eseguire la logica che le viene data, i dati a cui può accedere e i vincoli che è in grado di applicare.
Gli agenti come interfaccia o come livello di controllo
La domanda più interessante non è se gli agenti renderanno le piattaforme più facili da usare.
Lo faranno, almeno per molti task.
La domanda più importante è quale ruolo avranno gli agenti nell’architettura di engagement.
La maggior parte degli “AI copilots” attuali si ferma al ruolo di interfaccia più intelligente; il vero cambiamento avviene quando gli agenti diventano un livello di controllo capace di orchestrare azioni tra sistemi.
Un’interfaccia più intelligente aiuta gli utenti a trovare funzionalità, generare contenuti, sintetizzare analytics e configurare campagne più velocemente. È utile.
Un livello di controllo fa qualcosa di più importante.
Comprende obiettivi, controlla vincoli, valuta conflitti, applica governance, spiega decisioni, impara dai risultati e aiuta a coordinare azioni tra journey, audience, canali e sistemi.
È lì che potrebbe esserci il valore reale.
È anche lì che il rischio aumenta.
Quando un agente passa dal suggerimento all’esecuzione, la questione della governance diventa molto più seria.
Chi definisce l’obiettivo? Chi approva i guardrail? Chi decide cosa l’agente è autorizzato a cambiare? Chi monitora la performance? Chi audita le decisioni? Chi è accountable quando il sistema agisce correttamente dal punto di vista tecnico, ma in modo sbagliato dal punto di vista del business?
È qui che molte organizzazioni non sono ancora pronte.
È anche qui che diventano rilevanti i framework più ampi di governance AI. Il NIST, per esempio, descrive l’AI affidabile attraverso caratteristiche come validità, affidabilità, sicurezza, security, resilienza, accountability, trasparenza, spiegabilità, tutela della privacy e fairness. In Europa, questa conversazione diventerà anche più difficile da separare dalle aspettative regolatorie, dato che le regole di trasparenza dell’EU AI Act sono previste a partire da agosto 2026.
Per la maggior parte dei team marketing e prodotto, questo si tradurrà in una documentazione più esplicita di chi possiede quali regole, dove vivono e come cambiano.
Non enfatizzerei troppo l’angolo compliance per ogni caso d’uso marketing.
Ma non ignorerei nemmeno la direzione.
Più l’AI si sposta dall’assistenza all’esecuzione, più il modello operativo dovrà rispondere a domande di trasparenza, accountability e controllo.
L’autonomia non sarà distribuita in modo uniforme
C’è un altro punto da considerare: l’AI agentiva potrebbe non aumentare l’autonomia allo stesso modo per tutti.
Per gli utenti esperti, può diventare un moltiplicatore. Un bravo CRM manager, lifecycle marketer o specialista MarTech userà gli agenti per muoversi più velocemente, esplorare alternative, ridurre il lavoro ripetitivo e accedere a capacità avanzate con meno frizione.
Per gli utenti meno esperti, però, lo stesso livello può creare un problema diverso.
Se non capisci il sistema, una raccomandazione AI sicura di sé può essere difficile da contestare. L’agente può far sembrare operativamente matura un’idea debole. Può ottimizzare per la conversione di breve periodo danneggiando silenziosamente l’esperienza cliente di lungo periodo.
La domanda non è solo se l’AI democratizzerà l’accesso. Probabilmente lo farà.
La domanda è se le organizzazioni democratizzeranno anche la comprensione.
Autonomia senza comprensione non è empowerment. È dipendenza con un’interfaccia migliore.
Il nuovo collo di bottiglia
C’è un futuro possibile che trovo molto realistico.
I team marketing iniziano a usare agenti per creare più idee, più varianti, più journey, più test e più raccomandazioni. Il volume di azione possibile aumenta drasticamente, ma governance, approvazione, misurazione e coordinamento non evolvono alla stessa velocità.
Quindi il collo di bottiglia si sposta.
Non è più la creazione della campagna, ma la validazione della campagna; non più “chi può costruirla?”, ma “chi può approvare tutto questo?”; non più mancanza di idee, ma troppe idee eseguibili.
È qui che l’AI agentiva potrebbe paradossalmente rendere alcuni processi più lenti.
Non perché l’AI sia lenta, ma perché l’organizzazione non è pronta per l’aumento della complessità eseguibile.
Quando la creazione diventa economica, la prioritizzazione diventa costosa.
E quando l’esecuzione diventa più semplice, la governance diventa il vero vincolo.
Cosa cercherei in un livello agentivo maturo
Se dovessi valutare capacità agentive in una customer engagement platform, non partirei dalla demo.
Partirei dai confini.
Come minimo, vorrei che il livello agentivo rispondesse chiaramente a queste domande:
Cosa può vedere l’agente? Cosa può cambiare? Cosa può solo raccomandare? Cosa richiede approvazione? Cosa viene loggato? Cosa è spiegabile? Cosa è riutilizzabile? Cosa è governato centralmente? Cosa può essere sovrascritto localmente? Come gestisce i conflitti tra journey? Come comprende consenso ed eligibility di canale? Come distingue gli obiettivi di business dalle metriche di piattaforma? Come impara dai risultati senza creare drift incontrollato?
Queste domande sono meno entusiasmanti di una demo in linguaggio naturale, ma contano di più.
Nel MarTech enterprise, il problema raramente è se una piattaforma possa generare un’idea.
Il vero problema è se l’organizzazione possa fidarsi abbastanza di quell’idea da agire.
Si può pensare a una semplice progressione di maturità per i livelli agentivi:
- Livello 1: assistenti come UX più amichevole sopra strumenti esistenti.
- Livello 2: esecuzione controllata, in cui gli agenti possono compiere azioni dentro confini chiari e gate di approvazione.
- Livello 3: livello di controllo governato, in cui il comportamento degli agenti è legato a policy esplicite, ownership e monitoraggio.
Se fai solo tre cose
Prima di valutare qualsiasi capacità agentiva, assicurati che la tua organizzazione abbia affrontato i fondamentali:
- Decidere chi possiede definizioni cliente, regole di consenso e soglie di pressione, e rendere questa ownership esplicita e documentata.
- Definire cosa gli agenti sono autorizzati a decidere e cosa deve restare una decisione umana, e scrivere il perché.
- Rendere visibili fonti, assunzioni e limiti dell’agente, così che i team non tecnici possano metterli in discussione.
L’autonomia del business sta diventando autonomia architetturale
Più osservo la direzione del mercato, più penso che l’autonomia del business stia evolvendo.
In passato, autonomia significava chiedersi se il business potesse usare la piattaforma senza supporto tecnico.
Ora dovrebbe significare chiedersi se il business possa esprimere un intento e lasciare che il sistema lo traduca in esecuzione sicura, governata e misurabile.
È un’asticella molto più alta.
L’autonomia del business sta diventando autonomia architetturale: la capacità dei team business di esprimere intento dentro un sistema in cui dati, regole, permessi, misurazione e accountability sono già strutturati abbastanza da rendere quell’intento eseguibile.
Richiede più dell’AI.
Richiede un data model chiaro, identity resolution, applicazione del consenso, governance decisionale, definizioni riutilizzabili, vincoli di contenuto e brand, gestione della pressione, disciplina di misurazione, spiegabilità e un modello operativo che sappia dove il giudizio umano conta ancora.
Il livello agentivo può diventare l’interfaccia più importante tra intento business ed esecuzione di piattaforma, ma solo se l’architettura sottostante è abbastanza solida.
Altrimenti, diventerà un altro livello di traduzione, un altro livello di revisione, un altro livello di incertezza e un altro posto in cui tutti aspettano che qualcun altro confermi che il sistema ha fatto la cosa giusta.
La vera promessa
Non sono pessimista sul marketing agentivo.
Anzi, penso che diventerà uno dei cambiamenti più importanti nelle customer engagement platform.
Ma il suo valore non sarà nel rendere magicamente semplici piattaforme complesse.
Il suo valore sarà nel rendere la complessità più gestibile.
C’è una differenza.
I migliori livelli agentivi non rimuoveranno la necessità di architettura. Esporranno dove l’architettura manca.
Renderanno visibili le definizioni deboli. Riveleranno ownership poco chiare. Metteranno sotto stress la governance. Mostreranno se i dati sono utilizzabili, freschi e affidabili. Costringeranno le aziende a decidere cosa può essere automatizzato e cosa richiede ancora giudizio umano.
In questo senso, l’AI agentiva potrebbe non essere la risposta finale all’autonomia del business.
Potrebbe essere lo specchio.
Uno specchio che mostra se l’organizzazione ha costruito un sistema in cui il business può davvero muoversi più velocemente, o se ha semplicemente messo un’interfaccia conversazionale sopra la stessa vecchia ambiguità.
L’autonomia del business non è mai stata solo un problema di UI.
E il livello agentivo non cambierà questo fatto.
Lo renderà solo più evidente.
Fonti
Adobe
Iterable
Klaviyo
Salesforce
NIST
European Commission